初创企业打造的闪存加速软件将帮助红色巨人获得更强竞争优势。
FlashGrid公司已经开始为甲骨文集群方案提供开放存储软件--后者在数据库服务器中内置有标准NVMe PCIe SSD--并将其转化为一套能够面向数据库起效的可扩展共享式存储机制,即虚拟闪存SAN。其单一节点的存储容量在0.4 TB到50 TB区间,而集群化节点规模则在2节点到100节点之间。
FlashGrid公司于本月月初在一次硅谷IT新闻发布会上进行了自我介绍。其采用甲骨文ASM以实现高可用性与数据镜像生成--顺带一提,ASM也就是自动存储管理(Automatic Storage Management)的简称。这款内置于数据库方案中的甲骨文软件能够管理文件系统与存储分卷。
数据库管理员能够利用它通过标准SQL命令对分卷及驱动器进行控制。从某种角度看,其功能性基本相当于VVOL,只是专用于甲骨文的数据库管理系统。
甲骨文ASM所访问的存储资源可以本地形式存在于数据库节点当中,或者通过外部SAN实现访问,例如光纤通道连接之XtremIO阵列。
FlashGrid公司由CEO Alex Miroshnichenko与CTO Artem Danielov于2015年共同建立,这两位拥有在Veritas、英特尔、EMC、HGST、VMware以及IBM效力的丰富经历。他们的软件面向甲骨文ASM与RAC,且能够支持RHEL v7与甲骨文虚拟机。其同时运行在VMware环境当中。
FlashGrid公司CEO兼联合创始人Alex Miroshnichenko
该公司采用免费使用基础软件、付费享受技术支持的运营方式,而且付费软件拥有适合大型企业的诸多功能。Miroshnichenko表示:"我们的目标在于让开放存储软件以免费方式为甲骨文数据库的全部客户所选择。既然能够免费下载到FlashGrid软件,为什么还要费力购买一套存储阵列呢?"
Miroshnichenko表示他的企业能够利用基于ASM优先读机制的FlashGrid本地读取技术通过软件方案实现数据库性能最大化。大家可以根据实际需要从10/40/100 GbitE或者InfiniBand/RDMA等网络连接选项中做出选择。其设计方案为全颁式且彻底避免了单点故障状况。
他同时指出,EMC XtremIO阵列支持三节点ASM部署选项,且能够提供25万IOPS与每秒3 GB传输带宽。相比之下,采用节点内NVMe SSD与FlashSoft软件的同类部署方案则能够提供440万IOPS与每秒36 GB传输带宽。
除此之外,这位CEO还告诉我们,其FlashSoft技术能够被用于为Docker容器提供超融合型、高可用性存储支持。另外,客户还可以利用ACFS(即甲骨文ASM集群文件系统)与FlashGrid软件构建起NFS文件存储集群。
FlashSoft公司宣称,其ASM存储系统最多可将使用成本降低至第三方SAN或者甲骨文自家Exadata的十分之一。
根据我们掌握的情况,目前有五到六款FlashGrid POC正处于开发当中,而且其中一部分来自美国以外的海外市场。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。